Abstract
This article discusses the use of Artificial Intelligence (AI) to classify cocoa beans as healthy or diseased based on established classification criteria, given the challenges faced by the cocoa industry due to the impact of diseased beans on quality and grading. The proposed method uses YOLOv5 and achieved an 94.5% accuracy rate. The article also outlines the development of an affordable and easy-to-implement prototype system that cocoa farmers can use to grade and assure bean quality. The results suggest that the proposed system is successful, and increasing the amount of data improves its reliability, which could help farmers improve their competitiveness in the market.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
References
Abad, A., Acuña, C., Naranjo, E.: El cacao en la costa ecuatoriana: estudio de su dimensión cultural y económica. Estudios de la Gestión: revista internacional de administración (7), 59–83 (2020)
Adhitya, Y., Prakosa, S.W., Köppen, M., Leu, J.S.: Feature extraction for cocoa bean digital image classification prediction for smart farming application. Agronomy 10(11), 1642 (2020)
Aguilar, H.: Manual para la evaluación de la calidad del grano de cacao. Editorial FHIA, La Lima, Honduras (2016)
Alcívar-Córdova, K., Quezada-Campoverde, J., Berrezueta-Unda, S., Garzón-Montealegre, V., Héctor, C.R.: Análisis económico de la exportación del cacao en el ecuador durante el periodo 2014–2019. Polo del Conocimiento 6(3), 2430–2444 (2021)
Álvarez, C., et al.: Evaluación de la calidad comercial del grano de cacao (theobroma cacao l.) usando dos tipos de fermentadores. Revista científica UDO agrícola 10(1), 76–87 (2010)
Anggraini, C.D., Putranto, A.W., Iqbal, Z., Firmanto, H., Riza, D.F.A.: Preliminary study on development of cocoa beans fermentation level measurement based on computer vision and artificial intelligence. In: IOP Conference Series: Earth and Environmental Science, vol. 924, no. 1, p. 012019 (2021)
Ortiz de Bertorelli, L., Rovedas, G., Graziani de Fariñas, L.: Influencia de varios factores sobre índices físicos del grano de cacao en fermentación. Agronomía tropical 59(1), 81–88 (2009)
Blare, T., Useche, P.: Competing objectives of smallholder producers in developing countries: examining cacao production in northern Ecuador. Environ. Econ. 4, 71–79 (2013)
Cabrera, J.B.Z., Encalada, C.M., Guerrero, J.Q., Reyes, S.H., Castillo, A.M., Toro, J.L.: Influencia de la madurez de las mazorcas de cacao: Calidad nutricional y sensorial del cultivar CCN-51. Revista Bases de la Ciencia. 6(2), 27–40 (2021). e-ISSN 2588–0764
Chang, J.F.V., Torres, C.V., Morán, D.E.P., Véliz, J.M., Remache, R.R., Rodríguez, W.M.: Atributos físicos-químicos y sensoriales de las almendras de quince clones de cacao nacional (theobroma cacao l.) en el ecuador. Ciencia y Tecnología 7(2), 21–34 (2014)
Chang, O., Zhinin-Vera, L.: A wise up visual robot driven by a self-taught neural agent. In: Arai, K., Kapoor, S., Bhatia, R. (eds.) FTC 2020. AISC, vol. 1288, pp. 606–617. Springer, Cham (2021). https://doi.org/10.1007/978-3-030-63128-4_47
Fernandes, J., Turrisi da Costa, V., Barbin, D., Cruz-Tirado, J., Baeten, V., Barbon Junior, S.: Deep computer vision system for cocoa classification. Multimedia Tools Appl. 81, 41059–41077 (2022)
Gutiérrez-Correa, M.: Efecto de la frecuencia de remoción y tiempo de fermentación en cajón cuadrado sobre la temperatura y el índice de fermentación del cacao (theobroma cacao l.). Revista Científica UDO Agrícola 12(4), 914–918 (2012)
Jiménez Barragán, J.C., Amores Puyutaxi, F.M.: Clasificación de almendras de cacao por el grado de fermentación (2008)
Kim, B., Han, Y.K., Park, J.H., Lee, J.: Improved vision-based detection of strawberry diseases using a deep neural network. Front. Plant Sci. 11, 559172 (2021)
Kim, S.S., Kim, S.: Impact and prospect of the fourth industrial revolution in food safety: mini-review. Food Sci. Biotechnol., 1–8 (2022)
Lawi, A., Adhitya, Y.: Classifying physical morphology of cocoa beans digital images using multiclass ensemble least-squares support vector machine. J. Phys: Conf. Ser. 979, 012029 (2018)
Loor Solórzano, R.G., Casanova Mendoza, T.d.J., Plaza Avellán, L.F.: Mejoramiento y homologación de los procesos y protocolos de investigación, validación y producción de servicios en cacao y café (2016)
Oliveira, M.M., Cerqueira, B.V., Barbon, S., Jr., Barbin, D.F.: Classification of fermented cocoa beans (cut test) using computer vision. J. Food Compos. Anal. 97, 103771 (2021)
Portillo, E., Graziani de Fariñas, L., Betancourt, E.: Efecto de los tratamientos post-cosecha sobre la temperatura y el índice de fermentación en la calidad del cacao criollo porcelana (theobroma cacao l.) en el sur del lago de maracaibo. Revista de la Facultad de Agronomía 22(4), 394–406 (2005)
Portillo, E., et al.: Influencia de las condiciones del tratamiento poscosecha sobre la temperatura y acidez en granos de cacao criollo (theobroma cacao l.). Rev. Fac. Agron 28, 646–660 (2011)
Quevedo Guerrero, J.N., Ramírez Villalobos, M., Zhiminaicela Cabrera, J., Noles León, M.J., Quezada Hidalgo, C., Aguilar Flores, S.: Diversidad morfoagronómica: caracterización de 650 árboles de theobroma cacao L. Revista Universidad y Sociedad 12(6), 14–21 (2020)
Redmon, J., Farhadi, A.: Yolo9000: better, faster, stronger (2016)
Solís Hidalgo, Z.K., Peñaherrera Villafuerte, S.L., Vera Coello, D.I.: Las enfermedades del cacao y las buenas prácticas agronómicas para su manejo (2021)
Tan, J., Balasubramanian, B., Sukha, D., Ramkissoon, S., Umaharan, P.: Sensing fermentation degree of cocoa (theobroma cacao l.) beans by machine learning classification models based electronic nose system. J. Food Process Eng. 42 (2019)
Vera-Chang, J.F., Torres-Navarrete, Y.G., Vallejo-Torres, C.A.: Bolletín técnico n\(^{\circ }\) 1. In: Murillo-Campuzano, G., et al., (eds.) Guía para el mejoramiento del cacao nacional, pp. 1–23. UTEQ (2017)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2023 The Author(s), under exclusive license to Springer Nature Switzerland AG
About this paper
Cite this paper
Zhinin-Vera, L. et al. (2023). Artificial Vision Technique to Detect and Classify Cocoa Beans. In: Rojas, I., Joya, G., Catala, A. (eds) Advances in Computational Intelligence. IWANN 2023. Lecture Notes in Computer Science, vol 14135. Springer, Cham. https://doi.org/10.1007/978-3-031-43078-7_18
Download citation
DOI: https://doi.org/10.1007/978-3-031-43078-7_18
Published:
Publisher Name: Springer, Cham
Print ISBN: 978-3-031-43077-0
Online ISBN: 978-3-031-43078-7
eBook Packages: Computer ScienceComputer Science (R0)